标签：状态   表单   二进制   对象   res   XML   htm   xpath   正则   

一、爬虫的基本过程

1、发起请求

通过HTTP库向目标网站发起请求，即发送一个Request，请求包含额外的headers内容，等待服务器相应。

2、获得相应内容

如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。

3、解析内容

得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。

4、保存数据

保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

（一）、发起请求

1、Request请求

浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。

（1）请求方式

① get

② post

③ head、delete、put、options等

（2）请求URL

URL为统一资源定位符，每个文档、图片、视频都有唯一的url

（3）请求头

包含请求时的头部信息，如user_agent、host、cookies等信息

（4）请求体

请求时额外携带的数据如表单提交时的表单数据

（二）、获得相应

1、Response响应

服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。

（1）响应状态

有多种响应状态，如200代表成功、301跳转、404找不到页面、502服务器错误

（2）响应头

如内容类型、内容长度、服务器信息、设置Cookie等等

（3）响应体

最主要的部分，包含了请求资源的内容，如网页HTML、图片二进制数据等

（三）、解析内容

1、解析方式

直接处理

正则表达式

json解析

BeautifulSoup

pyquery、xpath

（四）、保存数据

1、文件格式

（1）文本

纯文本、json、xml等

（2）关系型数据库

如MySQL、Oracle、SQL Server等具有结构化表结构形式存储

（3）非关系型数据库

如MongoDB、Redis等Key-Value形式存储

（4）二进制文件

如图片、视频、音频等等直接保存成特定格式即可

爬虫的学习过程——会更新

标签：状态   表单   二进制   对象   res   XML   htm   xpath   正则   

原文地址：https://www.cnblogs.com/lanail/p/9179304.html